ClassifierFunction

ClassifierFunction[…]

データをクラスに分類するClassifyによって生成された関数を表す．

詳細とオプション

  • ClassifierFunctionはFunctionのように振る舞う．
  • ClassifierFunction[…][data]は data を分類しようと試み，data が所属する可能性が最も高いクラスを返す．
  • ClassifierFunction[…][{data1,data2,…}]は，すべてのデータ dataiを分類しようとする．
  • ClassifierFunction[…][data,prop]は，data に関連する分類の指定された特性を返す．
  • すべてのメソッドに適用可能な特性
  • "Decision"確率と効用関数に基づく最良クラス
    "TopProbabilities"最も可能性が高いクラスの確率
    "TopProbabilities"n最も可能性が高い n クラスの確率
    "Probability"class特定のクラスの確率
    "Probabilities"可能なすべてのクラスの確率の連想
    "SHAPValues"各例についてのシャープレイ加算特徴の説明
    "Properties"使用可能な全特性のリスト
  • "SHAPValues"は，さまざまな特徴を削除し次に合成した結果の予測を比較することで特徴の貢献度を評価する．オプションMissingValueSynthesisを使って欠測値を合成する方法が指定できる．SHAPの説明は訓練出力の平均からの偏差として与えられる．"SHAPValues"n を使ってSHAPの説明の数値推定に使われるサンプル数が制御できる．
  • ClassifierFunction[…][data,…,opts]は，data に適用されるときは分類器がオプション opts を使うように指定する．
  • 使用可能なオプション
  • ClassPriors Automaticクラスについての明示的な事前確率
    IndeterminateThreshold Automaticどの確率より下でIndeterminateを返すか
    MissingValueSynthesisAutomatic欠測値の合成方法
    PerformanceGoalAutomaticパフォーマンスのどの面について最適化するか
    TargetDevice "CPU"そこで訓練を行うターゲットデバイス
    RecalibrationFunction Automatic分類確率の後処理方法
    UtilityFunction Automatic実際のクラスおよび予測されたクラスの関数として表された効用
  • 以前のバージョンのWolfram言語で訓練されたClassifierFunction[…]も，現行バージョンで動作する．
  • Classify[net]を使って分類器を表すNetChainあるいはNetGraphをClassifierFunction[…]に変換することができる．
  • Classify[ClassifierFunction[…],opts]を使って，分類器のPerformanceGoal，ClassPriors，IndeterminateThreshold，UtilityFunctionあるいはFeatureExtractorの値を更新することができる．
  • Classify[ClassifierFunction[…],FeatureExtractorfe]では，FeatureExtractorFunction[…] fe は既存の特徴抽出器の先頭に加えられる．
  • Information[ClassifierFunction[…]]は，分類器とその推定パフォーマンスについての情報パネルを生成する．
  • Information[ClassifierFunction[…],prop]を使って特定の特性を得ることができる．
  • ClassifierFunctionのInformationには以下の特性が含まれることがある．
  • "Accuracy"分類器の推定確度
    "BatchEvaluationTime"バッチが与えられた際に1つの例を分類する限界時間
    "Classes"この分類器に返せるクラスのリスト
    "ClassNumber"この分類器に返せるクラス数
    "EvaluationTime"1つの例を分類するのに必要な時間
    "ExampleNumber"訓練例の数
    "FeatureTypes"分類器入力の特徴タイプ
    "FunctionMemory"この分類器を保存するのに必要なメモリ
    "FunctionProperties"この分類器に使用可能なすべての分類特性
    "IndeterminateThreshold"この分類器が使用するIndeterminateThresholdの値
    "LearningCurve"訓練集合サイズの関数としてのパフォーマンス
    "MaxTrainingMemory"訓練中に使用される最大メモリ
    "MeanCrossEntropy"この分類器の推定平均クロスエントロピー
    "Method"この分類器が使用するMethodの値
    "MethodDescription"メソッドのまとめ
    "MethodOption"新たな訓練で際使用される完全なメソッドオプション
    "MethodParameters"メソッドのパラメータ設定
    "Properties"この分類器が使用可能なすべての情報特性
    "FeatureExtractor"FeatureExtractorFunctionとしての特徴抽出
    "TrainingClassPriors"訓練中に見られたクラスの分布
    "TrainingTime"Classifyが分類器を生成するのにかかる時間
    "UtilityFunction"この分類器が使用するUtilityFunctionの値
  • Information特性もまたすべてのメソッドサブオプションを含む．

例題

すべて開くすべて閉じる

例  (2)

Classifyとラベル付きの例のリストでClassifierFunctionを作る：

ClassifierFunctionでラベルのない例を分類する：

複数の例を分類する：

例の特徴を与えられた場合に，クラスの確率を返す：

最も可能性が高いクラスのソートされた確率を返す：

最も可能性が高いクラスの確率を返す：

指定されたクラスの確率を返す：

クラス"B"の確率を特徴の関数としてプロットする：

複数の特徴を使ってClassifierFunctionを生成する：

新たな例に関数を使う：

欠けている特徴がある例を分類する：

最も可能性の高いクラスの確率を得る：

スコープ  (5)

テキストデータを分類する関数を作る：

新しい例を分類する：

関数についての情報を得る：

この関数に使うことができる特性を得る：

分類器関数を訓練する：

検定集合に適用された関数の，分類器測度オブジェクトを生成する：

この検定集合についての関数の確度を得る：

混同行列を可視化する：

入力が連想である分類器関数を生成する：

関数を例に使う：

欠けている特徴がある例を分類する：

分類器を訓練する：

"WMLF"形式を使ってClassifierFunction[…]をファイルに保存する：

Importを使ってファイルから分類器をロードする：

ロードされた分類器を新たなデータに使う：

「タイタニック号」の沈没による乗客の生存・死亡の確率を予測する分類器を訓練する：

乗客が死亡する事前確率を計算する：

分類器を使って乗客の死亡確率を予測する：

各特徴がモデルのクラスの予測確率をどのように乗算したかについての説明を取得する：

特徴の影響に関するモデルの説明を基本レートの確率と比較する：

オプション  (6)

ClassPriors  (1)

バランスの悪いデータ集合で分類器を訓練する：

例5FalseはTrueに分類される：

クラスの一様事前分布でこの例を分類する：

分類器の事前クラスもまた訓練後に更新できる：

IndeterminateThreshold  (1)

分類器を訓練する：

この例についてのクラスの確率を得る：

予測として，最も可能性の高いクラスが選ばれた：

指定した確率閾値を超えるクラス確率がない場合には，予測は行われない：

閾値を永久に変更する：

RecalibrationFunction  (2)

分類器関数を訓練する：

新たな例のクラス確率を計算する：

モデルが較正されているかどうかをチェックする：

確率に適用する再較正関数を一時的に設定する：

確率に適用する再較正関数を永久的に設定する：

新たな例のクラス確率を計算する：

再較正関数を分類器から削除する：

タイタニック号のデータ集合をロードする：

最近傍分類器を較正関数なしで作成する：

この分類器は少々自信過剰なようである：

検定集合中の最悪の分類ケースを選択する：

推定確率を評価する：

「温度スケーリング」を使って分類器の自信を減ずる：

TargetDevice  (1)

ニューラルネットワークを使って分類器を訓練する：

結果の分類器をシステムのデフォルトGPUで評価し，そのAbsoluteTimingを見る：

上記の時間をデフォルトのCPU計算による時間と比較する：

UtilityFunction  (1)

分類器を訓練する：

デフォルトで，最も可能性の高いクラスが予測される：

クラス"yes"の例が誤ってクラス"no"に分類された場合にペナルティを課す効用関数を指定する：

効用関数の値を永久に変更する：

Wolfram Research (2014), ClassifierFunction, Wolfram言語関数， https://reference.wolfram.com/language/ref/ClassifierFunction.html （2021年に更新）.

テキスト

Wolfram Research (2014), ClassifierFunction, Wolfram言語関数， https://reference.wolfram.com/language/ref/ClassifierFunction.html （2021年に更新）.

CMS

Wolfram Language. 2014. "ClassifierFunction." Wolfram Language & System Documentation Center. Wolfram Research. Last Modified 2021. https://reference.wolfram.com/language/ref/ClassifierFunction.html.

APA

Wolfram Language. (2014). ClassifierFunction. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/ClassifierFunction.html

BibTeX

@misc{reference.wolfram_2024_classifierfunction, author="Wolfram Research", title="{ClassifierFunction}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/ClassifierFunction.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_classifierfunction, organization={Wolfram Research}, title={ClassifierFunction}, year={2021}, url={https://reference.wolfram.com/language/ref/ClassifierFunction.html}, note=[Accessed: 22-November-2024 ]}